CN109993062A - 一种湿地植被根际土壤微生物高光谱植被指数监测方法 - Google Patents
一种湿地植被根际土壤微生物高光谱植被指数监测方法 Download PDFInfo
- Publication number
- CN109993062A CN109993062A CN201910159499.3A CN201910159499A CN109993062A CN 109993062 A CN109993062 A CN 109993062A CN 201910159499 A CN201910159499 A CN 201910159499A CN 109993062 A CN109993062 A CN 109993062A
- Authority
- CN
- China
- Prior art keywords
- muskeg
- rhizosphere soil
- vegetation index
- soil microorganism
- hyperion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Abstract
本发明公开了一种湿地植被根际土壤微生物高光谱植被指数监测方法,包括:监测区湿地植被根际土壤微生物测量;高光谱遥感影像预处理,包括格式转换、绝对辐亮度值转换、大气校正和几何精校正的预处理;选取最佳高光谱植被指数;基于最佳高光谱植被指数的湿地植被根际土壤微生物数量估算。本发明的有益之处在于:基于湿地植被和其根际土壤微生物之间存在的密切相关性,能够获取区域尺度上湿地植被根际土壤微生物的空间分布状况,从而有助于解决常规分子生物学技术难以获得区域尺度微生物群落分布变化状况,并进行长期监测的局限性。
Description
技术领域
本发明属于遥感技术应用领域,具体涉及一种湿地植被根际土壤微生物高光谱植被指数监测方法。
背景技术
根际是植物-土壤生态系统物质交换的活跃界面,是微生物发育的一个独特生境。植物的根际分泌物吸引根系周围微生物聚集生长,其种类和数量影响着根际微生物的代谢和生长发育,进而对根际微生物的种类、数量和分布产生影响。曾有研究表明,根际微生物数量比非根际区域的高19~32倍。因此,植物根际区域是一个动态环境,根际微生物是土壤生态系统中最活跃的组分。
根际微生物在土壤生态系统中具有重要的作用,它是土壤中物质代谢循环和能量流动的主要参与者,影响着土壤中氮、磷等营养元素的循环和有机质的转化分解。根际微生物对环境状况的反应变化,可以作为环境变化的监测指标,以及该区域环境变化的生物指标。根际微生物的根际效应和数量分布,与植物的生长发育期有着密切的联系。雷娟利等(2008)的研究显示,西瓜在不同生长发育阶段根际微生物数量不同,其随西瓜生长发育不断增加,至开花结果期达到最大,之后开始下降。邱立友等(2010)的研究表明,烤烟不同生育期的根际微生物数量存在显著差异,其中旺长期最多,成熟期和采收期次之,团棵期最少,根际微生物生物量碳与微生物数量相似。范玉贞(2010)对不同生长时期白三叶草的根际微生物数量进行了研究,结果表明,根际细菌、真菌数量随植株生长的盛衰而增减,根际放线菌数量则与植株生长的盛衰呈负相关。吴洁婷(2011)的研究结果表明,芦苇根际放线菌、细菌群落结构变化以及根际微生物碳源代谢差异的主要影响因子均是湿地类型,芦苇根际真菌群落结构变化的主导影响因子为生长季变化与湿地类型。李琦(2012)的研究显示,湿地植物的根际微生物数量一年内随季节的变化呈先增后减的变化规律。黄娟等(2014)发现,硝化微生物(包括氨氧化细菌和氨氧化古菌)对于湿地土壤氮转化均具有不可忽视的作用,并与湿地植物本体、土壤硝化过程微环境之间存在一定的耦合关系。植物根系不断向其周围土壤分泌许多分泌物,在不同生长期给根际微生物提供了不同数量的营养物质和能量,促使根际微生物的生态分布和活性发生变化,从而产生了根际效应。
根系是植物重要的功能器官。根系生长状况不仅决定了植物对水分和养分的吸收利用能力,而且直接影响整个植株在其生长期内的生长状况。根系在植物的生长发育、生理功能和物质代谢过程中发挥着重要作用。因此,植物生长状况与其根系生理状态关系密切。另一方面,根际微生物在植物适应环境改变的过程中扮演着重要的角色。植物根系为根际微生物提供了重要的营养和能量物质,以及根系的泌氧能力对根际微生物活性的增强,对根际微生物代谢、生长发育和多样性产生影响;根际微生物通过改变植物代谢作用中细胞的渗透性、酶的活性和其他成分与植物互作,也影响着根际土壤中的物质转化。综上所述,植物—植物根系—根际微生物—土壤间存在着相互依赖和相互作用的复杂相关性。基于此,可以尝试通过湿地植被的光谱响应特征,来指示根际土壤微生物类群的空间分布。
自然环境条件下,根际微生物的影响因素具有复杂性和多变性,除了来自植物自身的影响因素(包括植物种类、生长状况、根系分泌物等),还来自于环境因素的影响(包括气候条件、土壤环境条件、营养元素输入、重金属和化学物质污染等),其中气候条件是重要因素,主要包括气温升高、CO2浓度增加、降雨模式变化等。环境因子促使植物与根际微生物形成特定的相互作用关系,了解根际微生物对环境选择压力的响应机制,正日益成为热点研究方向。
湿地生态系统中微生物主要包括细菌、放线菌和真菌。细菌是土壤中的主要菌群,个体小而数量多,繁殖较快,在土壤物质循环和有机物无机物转化中发挥了重要作用。放线菌参与了土壤中含氮和不含氮有机化合物的分解,与土壤肥力关系密切。具有强大酶系统的真菌,对复杂有机物质的分解能力较强,直接参与土壤有机质分解与腐殖质合成,其还可作为土壤通气状况的指标。不同季节气候条件和土壤环境条件的变化直接影响着三类菌群数量的动态变化。
植被指数通常是利用植被光谱数据线性和非线性组合构建的光谱指数。在可见光/红光波段太阳辐射被植被叶绿素强吸收,是光合作用的代表性波段;而近红外波段对植被长势及差异变化反应敏感,是植被状况变化最灵敏的标志。因此高光谱植被指数经常基于可见光/红光和近红外波段而构建。高光谱植被指数可以用于提取植被的生物物理和生物化学参数、监测植被胁迫、估算土壤组分含量等。
高光谱植被指数可以增强地物信息,在一定程度上有助于减少外界因素影响造成的数据误差,从而提高信息提取精度。本发明中所使用的18个高光谱植被指数,在以往研究中显示能够较为有效地指示植被数量和生长状况、光能利用率、叶片色素、土壤背景影响、植被衰减、红边特性等信息。MSAVI指数是作为对土壤调节植被指数(SAVI)的改进而提出的,其不依赖于土壤线,算法较为简单,在植被长势分析、草地估产、叶面积指数计算、土壤有机质研究、土壤侵蚀分析、荒漠化研究等方面已取得了成功应用。NDVI指数是众所周知、使用最为广泛的一种植被指数,在植被茂密或多层冠层结构时,易出现饱和现象,对背景反射信号的影响较为敏感。EVI指数通过加入蓝色波段以增强植被信号,改进了土壤背景和气溶胶散射的影响,对于浓密植被的变化较为敏感。TCARI/OSAVI为两个指数的结合,通过减小土壤背景的影响来增强指数的敏感性。NDRE指数采用了NDVI指数的构建形式,以红边波段取代了红光波段,对植被叶绿素的变化较为敏感,也曾被用于研究环境胁迫因素的影响,但植被的物候状态(例如,植被衰老期)会影响NDRE指数的性能。GNDVI指数中采用了绿光波段,该指数在Gitelson等的研究中显示了对植被叶片中叶绿素的高敏感性,尤其对于黄绿色或深绿色的叶片,而且对大气影响不敏感。
微生物是湿地生态系统的重要组成成员,在生态系统中为主要的分解者,并对维持湿地植物的营养供应起着重要作用,其制约着湿地的分异和演替。湿地土壤中微生物主要菌群的组成和数量动态是表征湿地环境变化的重要指标。目前对湿地生态系统中植被和土壤环境微生物(尤其是根际微生物)相互作用的研究还很有限。因此,利用高光谱遥感技术,通过其能捕捉植被和土壤精细的光谱特征和差异,并可以对植被和土壤生理生化参数定量估算的能力,基于植被和其根际土壤微生物之间存在的密切相关性,探索湿地植被根际土壤微生物群落高光谱遥感监测技术。
发明内容
本发明要解决的技术问题在于,基于高光谱遥感技术,利用高光谱植被指数和高光谱遥感影像,提供一种湿地植被根际土壤微生物高光谱植被指数监测方法,从而估测其时空分布。
本发明技术方案如下:本发明提供的一种湿地植被根际土壤微生物高光谱植被指数监测方法,包括如下步骤:
(1)监测区湿地植被根际土壤微生物测量:包括细菌、放线菌、真菌数量的测量;
(2)高光谱遥感影像预处理:包括格式转换、绝对辐亮度值转换、大气校正和几何精校正的预处理;
(3)选取最佳高光谱植被指数;
(4)基于最佳高光谱植被指数的湿地植被根际土壤微生物数量估算。
上述步骤(3)所述选取最佳高光谱植被指数,其具体方法为:首先,选取了表1中所列的高光谱植被指数,用以研究湿地植被光谱对根际土壤微生物类群数量的响应特性。其次,从经过预处理的高光谱遥感影像上,提取每个采样区域对应像素的反射光谱曲线。基于提取的反射光谱曲线,计算表1中所列各高光谱植被指数。再次,为了增强湿地植被根际土壤微生物数量的优势性,将细菌、放线菌和真菌的计数测量结果进行合计,作为各采样区域湿地植被根际土壤微生物的数量值。最后,基于每个采样区域获取的研究基础样本数据(包括高光谱植被指数数据和湿地植被根际土壤微生物计数测量数据),对各高光谱植被指数与根际土壤微生物数量进行相关分析,对比各估算模型的评价指标R2(决定系数)、RMSECV(交叉验证均方根误差)和RPD(the ratio of performance to deviation),选取精度评价最高的估算模型,其对应的高光谱植被指数即为最佳高光谱植被指数。
上述步骤(4)中所述基于最佳高光谱植被指数的湿地植被根际土壤微生物数量估算,其具体方法为:采用Bootstrap技术建立性能指标,并应用GA算法优化LS-SVM的有关参数,在此基础上通过LS-SVM算法,构建基于最佳高光谱植被指数的湿地植被根际土壤微生物数量估算模型。在实际操作中,将各采样区域获取的研究基础样本数据,随机分成2组用来建立模型和验证模型。选取R2和RMSE(均方根误差)作为精度评价指标。
实施本发明的湿地植被根际土壤微生物高光谱植被指数监测方法,具有以下有益效果:基于湿地植被和其根际土壤微生物之间存在的密切相关性,能够获取区域尺度上湿地植被根际土壤微生物的空间分布状况,从而有助于解决常规分子生物学技术难以获得区域尺度微生物群落分布变化状况,并进行长期监测的局限性。为正确认识湿地植被根际微生物对环境选择压力的响应机制,以及湿地生态系统的功能和结构、保护与治理提供科学依据。
附图说明
图1是高光谱遥感影像HSI上提取的42个采样区域的反射光谱曲线。
图2是湿地芦苇根际土壤微生物数量估算值与测量值比较。
图3是基于LS-SVM优化模型的芦苇根际土壤微生物数量估算值与测量值比较。
图4是监测区湿地芦苇根际土壤微生物数量空间分布图。
具体实施方式
下面结合具体实施例来对本发明做进一步的解释说明。
本发明提供了一种湿地植被根际土壤微生物高光谱指数监测方法,主要通过如下步骤实现。
1、监测区湿地植被根际土壤微生物测量
野外实验测量时间选择在尽可能与高光谱遥感影像成像时间相接近。根据湿地植被群落分布特征和土壤类型,在监测区选定多个采样区域。采用五点采样法进行土壤样本采集,同时记录每个采样点的地理坐标。在进行根际土壤采样时,采用抖根法,将植株根系从土壤中挖出,需要接触土壤部分的过程中,必须戴上手套,抖落掉与根系结合松散的土壤,利用经过灭菌的刷子收集紧密结合根系表面土壤。将采集的土壤样本进行大土块、植被残根等杂物的剔除后,装入灭菌封口袋中,低温保存并尽快带回实验室。在实验室,对根际土壤样本分组编号后,对样品进行根际土壤微生物(包括细菌、放线菌、真菌)计数测量。
根际土壤微生物细菌、放线菌、真菌测量方法为稀释平板计数法,菌群计数单位为个/g干土。细菌采用牛肉膏蛋白胨琼脂培养基(牛肉膏3.0g,蛋白胨5.0g,NaCl 5.0g,琼脂18.0g,蒸馏水1000mL,pH 7.0~7.2),放线菌采用改良高氏一号培养基(淀粉20.0g,NaCl0.5g,KNO31.0g,K2HPO40.5g,MgSO4·7H2O 0.5g,FeSO4·7H2O 0.01g,琼脂18.0g,水1000mL,pH 7.2~7.4),真菌采用链霉素-马丁孟加拉红培养基(蛋白胨5g,葡萄糖10.0g,KH2PO41.0g,MgSO4·7H2O 0.5g,琼脂18.0g,1/3000孟加拉红溶液100mL,蒸馏水1000mL,链霉素0.03g,pH自然)计数培养。
2、高光谱遥感影像预处理
将覆盖监测区的高光谱遥感影像进行包括格式转换、绝对辐亮度值转换、大气校正和几何精校正的预处理。大气校正采用ENVI软件的FLAASH模型(fast line-of-sightatmospheric analysis of spectral hypercubes),根据影像头文件信息和监测区自然地理特征,确定FLAASH大气校正参数,对主要大气效应(包括H2O,O3,O2,CO2,CH4,N2O等气体的吸收、大气分子和气溶胶的散射)进行考虑。基于landsat TM参考影像,采用二次多项式法对高光谱遥感影像进行几何精校正,校正误差控制在0.5个像元,得到归一化地表反射率数据。
3、选取最佳高光谱植被指数
本方法参考以往文献研究结果,选取了表1中所列的高光谱植被指数,用以研究湿地植被光谱对根际土壤微生物类群数量的响应特性。
表1本方法中采用的高光谱植被指数
注:Rλ代表在λ波长处的反射率。
从经过预处理的高光谱遥感影像上,提取每个采样区域对应像素的反射光谱曲线。基于提取的反射光谱曲线,计算表1中所列各高光谱植被指数。
为了增强湿地植被根际土壤微生物数量的优势性,将细菌、放线菌和真菌的计数测量结果进行合计,作为各采样区域湿地植被根际土壤微生物的数量值。用以增强其对湿地植被根际土壤微生物类群数量的代表性,从而增强湿地植被响应光谱特征的研究。
基于每个采样区域获取的研究基础样本数据(包括高光谱植被指数数据和湿地植被根际土壤微生物计数测量数据),对各高光谱植被指数与根际土壤微生物数量进行相关分析。以各高光谱植被指数为自变量,湿地植被根际土壤微生物数量为因变量,建立线性回归估算模型。对比各估算模型的评价指标R2(determination coefficient,决定系数)、RMSECV(root mean square error of cross-validation,交叉验证均方根误差)和RPD(the ratio of performance to deviation),选取精度评价最高的估算模型,其对应的高光谱植被指数即为最佳高光谱植被指数。
本方法基于留一交叉算法(leave-one-out)计算RMSECV。即对有N个样本的原始数据,每个步骤取出其中的1个样本,只使用其余N-1个样本建立预测模型,用以预测被取出的样本值。这个过程一直重复至每个样本都被取出1次。RMSECV计算公式如下:
式中,n为样本数,yi为实测值,为预测值。本方法计算标准差(SD)与RMSECV的比值作为RPD值:
式中,为实测的平均值。RPD常被用来评价土壤组分预测模型的精度。一些研究认为,当RPD>1.4时,表示模型的预测结果可以被接受,尚存在改进的空间;RPD<1.4时,表示模型预测的可靠性在减小;RPD<1时,表示模型预测能力较差,不能应用于样本预测。
4、基于最佳高光谱植被指数的湿地植被根际土壤微生物数量估算
本方法采用Bootstrap技术建立性能指标,并应用GA算法优化LS-SVM的有关参数,在此基础上通过LS-SVM算法,构建基于最佳高光谱植被指数的湿地植被根际土壤微生物数量估算模型。
SVM算法是在统计学习理论基础上发展起来的一种模式识别方法,基于结构风险最小化原则,使得在小样本条件下,SVM算法具有较好的泛化能力。LS-SVM采用最小二乘线性系统作为损失函数,在模式识别和非线性函数逼近的应用中取得了较好的效果。LS-SVM模型可以表述为:
式中,xk为输入向量,y(x)为相应估算值输出,αk为拉格朗日乘子,为核函数,b为偏差项。本方法中核取径向基函数(RBF)核:
φ(xi,xj)=exp(-|xi-xj|2/2σ2) (2)
式中,σ为RBF核函数的宽度。
为选取LS-SVM模型中的重要参数γ和σ,采用Bootstrap方法建立性能指标。bootstrap技术是对有限的数据样本进行随机的、等概率的、有放回的重抽样方法,可以充分利用小样本数据,提高模型的估算精度。具体实现步骤为:从初始的含有N个样本的训练集合I中有放回的抽取N个样本形成新的训练集合Aj;对同一个训练集合Aj,取不同的参数γ和σ计算训练结果,再计算训练误差,取验证样本集合V=I,计算验证误差;计算训练误差和验证误差的差值;重复上述步骤J次,计算误差差值的平均值;对每一给定参数γ和σ,计算初始训练集合I的训练误差;获取验证性能指标为:
式中,为误差差值的平均值;EI,I(γ,σ)为对每一给定参数γ和σ,初始训练集合I的训练误差。
GA算法是一种通过模拟自然进化过程搜索最优解的方法,具有内在的隐并行性和更好的全局寻优能力。在本方法中,对于参数γ和σ的选择,通过(3)式所建性能指标,设定参数γ和σ的取值范围,采用GA算法的全局搜索能力进行γ和σ的选择。GA算法的适应度函数为:
本方法采用MATLAB软件编程实现,建模步骤主要包括:随机生成N个染色体作为初始种群,采用实数编码;对每个染色体解码,使用公式(4)计算每个染色体的适应度;根据适应度采用赌轮盘选择法选择和复制个体,生成新的种群;对种群进行遗传操作;判断是否满足最大进化代数或某种停止准则;如果满足,对每个染色体解码,构建LS-SVM,并且评价其性能;如果不满足,则重新计算每个染色体的适应度,并完成后续步骤;最终,利用训练好的LS-SVM模型进行估算。
将各采样区域获取的研究基础样本数据,随机分成2组用来建立模型和验证模型。基于第一组建模样本数据,采用基于bootstrap和GA的LS-SVM模型,构建最佳高光谱植被指数的湿地植被根际土壤微生物数量估算模型。随后,基于高光谱遥感影像,应用所构建的模型反演获取监测区湿地植被根际土壤微生物数量空间分布图。基于第二组验证样本数据的空间经纬度坐标,在反演获取的监测区湿地植被根际土壤微生物数量空间分布图上提取估算值,将估算值和实测值对比,进行估算值的精度检验。选取R2和RMSE作为精度评价指标。
实施例1
将本发明方法应用于中国辽宁省盘锦湿地的监测区。盘锦湿地地理坐标为东经121°30′~122°00′,北纬40°45′~41°10′之间。盘锦湿地属于滨海湿地类型,是以芦苇沼泽及潮间带滩涂为主的自然湿地,为中国高纬度地区面积最大的滨海芦苇湿地。按照本发明具体实施方式部分所述步骤,获取了监测区湿地植被根际土壤微生物数量的空间分布图。
图1为高光谱遥感影像HSI(超光谱成像仪)上提取的42个采样区域的反射光谱曲线(注:纵坐标为扩大了10000倍的反射率值)。
表2为各高光谱植被指数估算芦苇根际土壤微生物数量的评价指标对比。(注:表中加粗数字为估算精度最高的6个高光谱植被指数,依次为MSAVI、NDVI、EVI、TCARI/OSAVI、NDRE、GNDVI)。
表2
图2为通过本申请提供方法获得的湿地芦苇根际土壤微生物数量估算值与测量值比较。
图3为通过本申请提供方法获得的基于LS-SVM优化模型的芦苇根际土壤微生物数量估算值与测量值比较(n=17,即为第二组验证样本数据)。
图4为通过本申请提供方法获得的监测区湿地芦苇根际土壤微生物数量空间分布图。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种湿地植被根际土壤微生物高光谱植被指数监测方法,其特征在于,包括如下步骤:
(1)在监测区设定采样区域,在各个采样区域采集湿地植被根际土壤样本,测量每个采样区域湿地植被根际土壤微生物的数量,所述微生物包括细菌、放线菌和真菌;
(2)将覆盖监测区域的高光谱遥感影像进行预处理,包括格式转换、绝对辐亮度值转换、大气校正和几何精校正的预处理,从经过预处理的高光谱遥感影像上,提取每个采样区域对应像素的反射光谱曲线;
(3)基于步骤(1)中采样区域湿地植被根际土壤微生物的计数测量数据,选取最佳高光谱植被指数;
(4)基于最佳高光谱植被指数对湿地植被根际土壤微生物数量进行估算。
2.根据权利要求1所述的一种湿地植被根际土壤微生物高光谱植被指数监测方法,其特征在于,步骤(3)所述选取最佳高光谱植被指数,其具体方法为:首先,选取NDVI、GNDVI、SAVI、OSAVI、SR705、EVI、NDRE、NDCI、VOG1、VOG2、VOG3、PSRI、PRI、MCARI、TCARI/OSAVI、CRI1、MSAVI和CIrededge作为高光谱植被指数,用以研究湿地植被光谱对根际土壤微生物类群数量的响应特性;其次,从经过预处理的高光谱遥感影像上,提取每个采样区域对应像素的反射光谱曲线;基于提取的反射光谱曲线,计算各高光谱植被指数;再次,为了增强湿地植被根际土壤微生物数量的优势性,将步骤(1)中细菌、放线菌和真菌的计数测量结果进行合计,作为各采样区域湿地植被根际土壤微生物的数量值;最后,基于每个采样区域获取的研究基础样本数据,该样本数据为高光谱植被指数数据和湿地植被根际土壤微生物计数测量数据,对各高光谱植被指数与根际土壤微生物数量进行相关分析,对比各估算模型的评价指标决定系数R2、交叉验证均方根误差RMSECV和RPD,选取精度评价最高的估算模型,其对应的高光谱植被指数即为最佳高光谱植被指数。
3.根据权利要求1所述的一种湿地植被根际土壤微生物高光谱植被指数监测方法,其特征在于,步骤(4)中所述基于最佳高光谱植被指数的湿地植被根际土壤微生物数量估算,其具体方法为:采用Bootstrap技术建立性能指标,并应用GA算法优化LS-SVM的有关参数,在此基础上通过LS-SVM算法,构建基于最佳高光谱植被指数的湿地植被根际土壤微生物数量估算模型;获取估算结果。
4.根据权利要求3所述的一种湿地植被根际土壤微生物高光谱植被指数监测方法,其特征在于,将各采样区域获取的研究基础样本数据,随机分成2组用来建立模型和验证模型,选取决定系数R2和均方根误差RMSE作为精度评价指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159499.3A CN109993062B (zh) | 2019-03-04 | 2019-03-04 | 一种湿地植被根际土壤微生物高光谱植被指数监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159499.3A CN109993062B (zh) | 2019-03-04 | 2019-03-04 | 一种湿地植被根际土壤微生物高光谱植被指数监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993062A true CN109993062A (zh) | 2019-07-09 |
CN109993062B CN109993062B (zh) | 2022-11-18 |
Family
ID=67129237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910159499.3A Active CN109993062B (zh) | 2019-03-04 | 2019-03-04 | 一种湿地植被根际土壤微生物高光谱植被指数监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993062B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826764A (zh) * | 2019-09-24 | 2020-02-21 | 广州地理研究所 | 基于随机森林算法的植被指数预测方法、系统及设备 |
CN110852149A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 基于分类和回归树算法的植被指数预测方法、系统及设备 |
CN111460966A (zh) * | 2020-03-27 | 2020-07-28 | 中国地质大学(武汉) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 |
CN111680427A (zh) * | 2020-06-16 | 2020-09-18 | 中国气象科学研究院 | 一种极度稀疏植被区域负土壤调节因子计算方法 |
CN112690059A (zh) * | 2020-12-16 | 2021-04-23 | 云南利鲁环境建设有限公司 | 一种利于高速公路沿线生态恢复及植物多样性保护的物种筛选及配置方法 |
CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1102065A2 (de) * | 1999-11-15 | 2001-05-23 | Gerhard Prof. Dr. Flick | Verfahren zur Ermittlung der Verfügbarkeit von Stickstoff und/oder Kohlenstoff in Böden und von Erden, Sedimenten und Komposten für das Pflanzenwachstum zur Quantifizierung der Stickstoffdüngung |
CN103868860A (zh) * | 2014-03-25 | 2014-06-18 | 辽宁师范大学 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
CN105043992A (zh) * | 2015-07-17 | 2015-11-11 | 辽宁师范大学 | 一种湿地土壤硝化微生物群落高光谱遥感监测方法 |
-
2019
- 2019-03-04 CN CN201910159499.3A patent/CN109993062B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1102065A2 (de) * | 1999-11-15 | 2001-05-23 | Gerhard Prof. Dr. Flick | Verfahren zur Ermittlung der Verfügbarkeit von Stickstoff und/oder Kohlenstoff in Böden und von Erden, Sedimenten und Komposten für das Pflanzenwachstum zur Quantifizierung der Stickstoffdüngung |
CN103868860A (zh) * | 2014-03-25 | 2014-06-18 | 辽宁师范大学 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
CN105043992A (zh) * | 2015-07-17 | 2015-11-11 | 辽宁师范大学 | 一种湿地土壤硝化微生物群落高光谱遥感监测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826764A (zh) * | 2019-09-24 | 2020-02-21 | 广州地理研究所 | 基于随机森林算法的植被指数预测方法、系统及设备 |
CN110852149A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 基于分类和回归树算法的植被指数预测方法、系统及设备 |
CN111460966A (zh) * | 2020-03-27 | 2020-07-28 | 中国地质大学(武汉) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 |
CN111460966B (zh) * | 2020-03-27 | 2024-02-02 | 中国地质大学(武汉) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 |
CN111680427A (zh) * | 2020-06-16 | 2020-09-18 | 中国气象科学研究院 | 一种极度稀疏植被区域负土壤调节因子计算方法 |
CN112690059A (zh) * | 2020-12-16 | 2021-04-23 | 云南利鲁环境建设有限公司 | 一种利于高速公路沿线生态恢复及植物多样性保护的物种筛选及配置方法 |
CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
CN113936214B (zh) * | 2021-10-19 | 2023-06-02 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109993062B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993062A (zh) | 一种湿地植被根际土壤微生物高光谱植被指数监测方法 | |
Peñuelas et al. | The bioelements, the elementome, and the biogeochemical niche | |
Ryu et al. | What is global photosynthesis? History, uncertainties and opportunities | |
He et al. | Global biogeography of fungal and bacterial biomass carbon in topsoil | |
Ren et al. | Linkages of C: N: P stoichiometry and bacterial community in soil following afforestation of former farmland | |
Li et al. | Soil quality assessment of croplands in the black soil zone of Jilin Province, China: Establishing a minimum data set model | |
Steenwerth et al. | Soil microbial community composition and land use history in cultivated and grassland ecosystems of coastal California | |
Holmer et al. | The importance of mineralization based on sulfate reduction for nutrient regeneration in tropical seagrass sediments | |
Szarowska et al. | Pseudamnicola Paulucci, 1878 (Caenogastropoda: Truncatelloidea) from the Aegean Islands: a long or short story? | |
Komatsu et al. | Stand-scale transpiration estimates in a Moso bamboo forest: II. Comparison with coniferous forests | |
Ito et al. | Methane budget of East Asia, 1990–2015: A bottom-up evaluation | |
Luo et al. | Seasonal change in microbial diversity and its relationship with soil chemical properties in an orchard | |
Ono et al. | Canopy‐scale relationships between stomatal conductance and photosynthesis in irrigated rice | |
Meyer et al. | Soil respiration and its temperature sensitivity (Q10): Rapid acquisition using mid-infrared spectroscopy | |
Xiao et al. | Improving pedotransfer functions for predicting soil mineral associated organic carbon by ensemble machine learning | |
Delgado-Baquerizo et al. | Biological soil crusts affect small-scale spatial patterns of inorganic N in a semiarid Mediterranean grassland | |
Krieg et al. | The ecology and physiology of fern gametophytes: A methodological synthesis | |
Coggins et al. | Towards meaningful geographical indications: Validating terroirs on a 200 km2 scale in Australia's lower Hunter Valley | |
Scherrer et al. | Abundance changes of neophytes and native species indicate a thermophilisation and eutrophisation of the Swiss flora during the 20th century | |
Sytiuk et al. | Predicting the structure and functions of peatland microbial communities from Sphagnum phylogeny, anatomical and morphological traits and metabolites | |
Liu et al. | Changes in rhizosphere soil nitrogen fractions associated with enzyme activities are linked to the microbial community following intercropping combined with nitrogen fertilization | |
Gaur et al. | Introduction to physical scaling: A model aimed to bridge the gap between statistical and dynamic downscaling approaches | |
Brtnicky et al. | Clover species specific influence on microbial abundance and associated enzyme activities in rhizosphere and non-rhizosphere soils | |
Han et al. | Growing seasonal characteristics of soil and plants control the temporal patterns of bacterial communities following afforestation | |
Qi et al. | Disentangling the effects of environmental and communities’ factors on species’ biomass inequality in Qinghai-Tibetan grassland systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |